CN104598743A - 一种无量测地区太阳辐射数据的生成方法 - Google Patents
一种无量测地区太阳辐射数据的生成方法 Download PDFInfo
- Publication number
- CN104598743A CN104598743A CN201510040173.0A CN201510040173A CN104598743A CN 104598743 A CN104598743 A CN 104598743A CN 201510040173 A CN201510040173 A CN 201510040173A CN 104598743 A CN104598743 A CN 104598743A
- Authority
- CN
- China
- Prior art keywords
- solar radiation
- month
- value
- area
- radiation data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000005855 radiation Effects 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005070 sampling Methods 0.000 claims abstract description 63
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000005259 measurement Methods 0.000 claims description 34
- 230000007774 longterm Effects 0.000 claims description 15
- 230000001186 cumulative effect Effects 0.000 claims description 9
- 238000005315 distribution function Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010248 power generation Methods 0.000 abstract description 4
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种无量测地区太阳辐射数据的生成方法,包括:步骤S1,考虑经、纬度和海拔因素,选择用于估计无量测地区太阳辐射值的太阳辐射可测量采样地区;步骤S2,采用改进的特征气象年的方法,得到各采样地区的12个典型月总太阳辐射值;步骤S3,采用反距离加权法或神经网络算法,计算无量测地区各月的月总太阳辐射值。本发明可运用到全国范围内所有无量测地区的太阳辐射数据的生成,可以为光伏电站的规划提供理论支持和数据支撑,将对中国光伏发电系统的发展做出贡献。
Description
技术领域
本发明涉及光伏发电系统规划的技术领域,特别是一种无量测地区太阳辐射数据的生成方法。
背景技术
近十年来,为了解决传统能源引起的环境污染问题和和日益增加的能量需求问题,可再生能源在中国得到了越来越广泛的使用。太阳能作为一种可再生能源,在中国的储藏十分丰富。中国二分之三以上地区的年总太阳辐射值超过了5.9GJ/m2,且这些地区每年的太阳辐射时间超过了2200小时。因此,中国政府对太阳能发电系统的投资提出了激励政策,这促使我国的太阳能发电系统得到了快速发展。但是,由于经济、技术和地形因素的影响,中国的一些地区的太阳能辐射数据无法测量,而太阳能辐射数据是光伏电厂规划的重要参数。
目前,国内外还没有关于如何产生无量测地区的太阳能辐射数据的专利和文献。基于本发明提出的无量测地区太阳辐射数据的生成方法,可以产生全国范围内所有无量测地区的各月月总太阳辐射值,便于实际应用。
发明内容
有鉴于此,本发明的目的是提供一种无量测地区太阳辐射数据的生成方法。采用该方法,可以在全国范围内,利用多个太阳辐射可测量采样地区的相关太阳辐射值数据,方便地估计出采样地区附近太阳辐射数据无量测地区的各月月总太阳辐射值。
本发明采用以下方法实现:一种无量测地区太阳辐射数据的生成方法,包括以下步骤:
步骤S1:获取某一特定太阳辐射数据无量测地区的经、纬度以及海拔信息,并在所述某一特定太阳辐射数据无量测地区附近选取与所述地区经、纬度值误差在10%以内以及海拔值在相同或相邻数量级上的若干个太阳辐射数据可测量的地区作为采样地区,用以产生所述太阳辐射数据无量测地区的太阳辐射值;
步骤S2:采用改进的特征气象年的方法获得步骤S1中各采样地区的的典型月和典型年,用以得到各采样地区的12个典型月总太阳辐射值;
步骤S3:基于步骤S2得到的各采样地区的12个典型月总太阳辐射值计算太阳辐射数据无量测地区各月的月总太阳辐射值。
进一步地,所述步骤S2具体包括以下步骤:
步骤S21:选择多种气象参数,并获取各采样地区的各月历年的各气象参数对应的各气象参数指标数据;
步骤S22:计算各采样地区中步骤S21中各月的各气象参数对应的各气象参数指标数据的长期和短期的累积分布函数值,其中长期为特定某几年,短期为特定某一年;
步骤S23:计算各采样地区中步骤S21中所述的各气象参数指标数据的Finkelstein-Schafer统计值;
步骤S24: 对步骤S23中得到各个Finkelstein-Schafer统计值进行综合统计,得出对应的加权统计值WS,分别将各个月份历年以来加权统计值WS最小的五个月作为该月份的候选月;
步骤S25:利用RMSD方法在各采样地区各个月份的候选月中选择该月份的典型月,将所有12个月份的典型月组合起来形成一个典型年,并计算得出各采样地区的12个典型月总太阳辐射值。
进一步地,所述步骤S22中计算各采样地区中步骤S21所述各采样地区的各月历年的各气象参数对应的各气象参数指标数据,其具体公式为:
,
其中,Sn(x)为气象参数指标x的累积分布函数值,n为气象参数指标x的总个数。
进一步地,步骤S23中Finkelstein-Schafer统计值的计算公式为:
,
其中,为气象参数指标x的Finkelstein-Schafer统计值,其中y为年,m为月;CDFm和CDFy,m分别为气象参数指标x各月的长期和短期的累积分布函数值;N为某月m的总天数。
进一步地,步骤S24中对步骤S23中各Finkelstein-Schafer统计值进行综合统计得到加权统计值WS,其中加权统计值WS的具体计算公式为:
,,
其中,WS(y,m)为FS(y,m)的加权统计值,y表示年,m表示月;WFx为气象参数指标x的权重系数;M为气象参数指标的个数。
进一步地,所述步骤S25中,针对各采样地区各个月份的5个候选月中选择日太阳总辐射值与其长期的平均值之间的均方根误差最小的月被选作为该月份的典型月;其中均方根误差RMSD的计算公式如下:
,
其中,RMSD为太阳总辐射的均方根误差;Hy,m,k为第y年、m月、k日的日总太阳辐射值;Hma为第m月的日太总阳辐射值长期的均值;N为第m月的总天数。
进一步地,所述步骤S3具体为:当各采样地区和所述太阳辐射数据无量测地区的分布相对集中且具有相似的海拔值时,采用反距离加权法或神经网络算法估计所述太阳辐射数据无量测地区12个月的月总太阳辐射值;当各采样地区和所述太阳辐射数据无量测地区的分布相对分散且具有不同数量级的海拔值时,采用神经网络算法估计无量测地区12个月的月总太阳辐射值。
进一步地,所述的反距离加权法的计算公式为:
,
其中,z为被估计的太阳辐射数据无量测地区的月总太阳辐射估计值;为采样地区i的典型月总太阳辐射值;为考虑经、纬度因素时的采样地区与被估计的太阳辐射数据无量测地区的距离;n为采样地区的总数;m为幂指数,一般取2。
进一步地,所述的神经网络算法采用一个三层前向径向基函数神经网络,该网络的输入变量为经、纬度值和海拔值,输出函数为12个典型月总太阳辐射数据;所述的神经网络算法运用各采样地区的输入、输出数据得到网络隐藏层和输出层之间的连接权,由连接权以及被估计太阳辐射数据无量测地区的经、纬度值和海拔值输入变量,得到被估计太阳辐射数据无量测地区的12个月总太阳辐射数据估计值。
本发明的优点在于:
①采用的改进的典型气象年方法,考虑了多种气象参数的多种指标,因此,在此基础上获得的各采样地区典型月总太阳辐射值更具准确性。
②所采用的反距离加权算法是一种比较简单的数值计算方法,因此,基于该算法的无量测地区太阳辐射数据生成方法,易于操作,适合于实际的工程应用。
③采用的神经网络算法,综合考虑了采样地区和被估计地区的经、纬度和海拔因素,因此,当各采样地区和被估计地区的分布相对分散且具有不同数量级的海拔值时,无量测地区的太阳辐射数据生成方法仍具有较高的准确性。
本发明可用于生成全国范围内所有无量测地区的月总太阳辐射值,为中国光伏电站的规划事业提供理论支持和数据支撑。
附图说明
图1为本发明太阳辐射数据无量测地区的月总太阳辐射值生成方法流程图。
图2为选择采样地区典型气象年的具体方法流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
本实施例提供一种无量测地区太阳辐射数据的生成方法,如图1所示,具体包括以下步骤:
步骤S1:获取某一特定太阳辐射数据无量测地区的经、纬度以及海拔信息,并在所述某一特定太阳辐射数据无量测地区附近选取与所述地区经、纬度值误差在10%以内以及海拔值在相同或相邻数量级上的若干个太阳辐射数据可测量的地区作为采样地区,用以产生所述太阳辐射数据无量测地区的太阳辐射值;
步骤S2:采用改进的特征气象年的方法获得步骤S1中各采样地区的的典型月和典型年,用以得到各采样地区的12个典型月总太阳辐射值;
步骤S3:基于步骤S2得到的各采样地区的12个典型月总太阳辐射值计算太阳辐射数据无量测地区各月的月总太阳辐射值。
在本实施例中,如图2所示,所述步骤S2具体包括以下步骤:
步骤S21:选择多种气象参数,并获取各采样地区的各月历年的各气象参数对应的各气象参数指标数据;
步骤S22:计算各采样地区中步骤S21中各月的各气象参数对应的各气象参数指标数据的长期和短期的累积分布函数值,其中长期为特定某几年,短期为特定某一年;
步骤S23:计算各采样地区中步骤S21中所述的各气象参数指标数据的Finkelstein-Schafer统计值;
步骤S24: 对步骤S23中得到各个Finkelstein-Schafer统计值进行综合统计,得出对应的加权统计值WS,分别将各个月份历年以来加权统计值WS最小的五个月作为该月份的候选月;
步骤S25:利用RMSD方法在各采样地区各个月份的候选月中选择该月份的典型月,将所有12个月份的典型月组合起来形成一个典型年,并计算得出各采样地区的12个典型月总太阳辐射值。
在本实施例中,所述步骤S22中计算各采样地区中步骤S21所述各采样地区的各月历年的各气象参数对应的各气象参数指标数据,其具体公式为:
,
其中,Sn(x)为气象参数指标x的累积分布函数值,n为气象参数指标x的总个数。S n (x)是一个递增量为1/n的单调递增函数,并且函数的上、下界分别为1和0。
在本实施例中,步骤S23中Finkelstein-Schafer统计值的计算公式为:
,
其中,为气象参数指标x的Finkelstein-Schafer统计值,其中y为年,m为月;CDFm和CDFy,m分别为气象参数指标x各月的长期和短期的累积分布函数值;N为某月m的总天数。
在本实施例中,步骤S24中对步骤S23中各Finkelstein-Schafer统计值进行综合统计得到加权统计值WS,其中加权统计值WS的具体计算公式为:
,,
其中,WS(y,m)为FS(y,m)的加权统计值,y表示年,m表示月;WFx为气象参数指标x的权重系数;M为气象参数指标的个数。
在本实施例中,所述步骤S25中,针对各采样地区各个月份的5个候选月中选择日太阳总辐射值与其长期的平均值之间的均方根误差最小的月被选作为该月份的典型月;其中均方根误差RMSD的计算公式如下:
,
其中,RMSD为太阳总辐射的均方根误差;Hy,m,k为第y年、m月、k日的日总太阳辐射值;Hma为第m月的日太总阳辐射值长期的均值;N为第m月的总天数。
在本实施例中,所述步骤S3具体为:当各采样地区和所述太阳辐射数据无量测地区的分布相对集中且具有相似的海拔值时,采用反距离加权法或神经网络算法估计所述太阳辐射数据无量测地区12个月的月总太阳辐射值;当各采样地区和所述太阳辐射数据无量测地区的分布相对分散且具有不同数量级的海拔值时,采用神经网络算法估计无量测地区12个月的月总太阳辐射值。
在本实施例中,所述的反距离加权法的计算公式为:
,
其中,z为被估计的太阳辐射数据无量测地区的月总太阳辐射估计值;为采样地区i的典型月总太阳辐射值;为考虑经、纬度因素时的采样地区与被估计的太阳辐射数据无量测地区的距离;n为采样地区的总数;m为幂指数,一般取2。
在本实施例中,所述的神经网络算法采用一个三层前向径向基函数神经网络,该网络的输入变量为经、纬度值和海拔值,输出函数为12个典型月总太阳辐射数据;所述的神经网络算法运用各采样地区的输入、输出数据得到网络隐藏层和输出层之间的连接权,由连接权以及被估计太阳辐射数据无量测地区的经、纬度值和海拔值输入变量,得到被估计太阳辐射数据无量测地区的12个月总太阳辐射数据估计值。
本发明的原理是基于通过改进的典型气象年方法获得的各采样地区典型月总太阳辐射值,采用反距离加权法或神经网络算法,估计某一无量测地区12个月的月总太阳辐射值。本发明中采用的反距离加权法应用简单且考虑了各地区间的经、纬度关系,而神经网络算法综合考虑了各地区间的经、纬度和海拔的关系,因此,本发明可同时适用于采样地区和被估计地区分布相对集中且具有相似的海拔以及分布相对分散且具有不同数量级的海拔值的情况,并且便于实际的工程应用。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (9)
1.一种无量测地区太阳辐射数据的生成方法,其特征在于包括以下步骤:
步骤S1:获取某一特定太阳辐射数据无量测地区的经、纬度以及海拔信息,并在所述某一特定太阳辐射数据无量测地区附近选取与所述地区经、纬度值误差在10%以内以及海拔值在相同或相邻数量级上的若干个太阳辐射数据可测量的地区作为采样地区,用以产生所述太阳辐射数据无量测地区的太阳辐射值;
步骤S2:采用改进的特征气象年的方法获得步骤S1中各采样地区的典型月和典型年,用以得到各采样地区的12个典型月总太阳辐射值;
步骤S3:基于步骤S2得到的各采样地区的12个典型月总太阳辐射值计算太阳辐射数据无量测地区各月的月总太阳辐射值。
2.根据权利要求1所述的一种无量测地区太阳辐射数据的生成方法,其特征在于:所述步骤S2具体包括以下步骤:
步骤S21:选择多种气象参数,并获取各采样地区的各月历年的各气象参数对应的各气象参数指标数据;
步骤S22:计算各采样地区中步骤S21中各月的各气象参数对应的各气象参数指标数据的长期和短期的累积分布函数值,其中长期为特定某几年,短期为特定某一年;
步骤S23:计算各采样地区中步骤S21中所述的各气象参数指标数据的Finkelstein-Schafer统计值;
步骤S24: 对步骤S23中得到各个Finkelstein-Schafer统计值进行综合统计,得出对应的加权统计值WS,分别将各个月份历年以来加权统计值WS最小的五个月作为该月份的候选月;
步骤S25:利用RMSD方法在各采样地区各个月份的候选月中选择该月份的典型月,将所有12个月份的典型月组合起来形成一个典型年,并计算得出各采样地区的12个典型月总太阳辐射值。
3.根据权利要求2所述的一种无量测地区太阳辐射数据的生成方法,其特征在于:所述步骤S22中计算各采样地区中步骤S21所述各采样地区的各月历年的各气象参数对应的各气象参数指标数据,其具体公式为:
,
其中,Sn(x)为气象参数指标x的累积分布函数值,n为气象参数指标x的总个数。
4.根据权利要求2所述的一种无量测地区太阳辐射数据的生成方法,其特征在于:步骤S23中Finkelstein-Schafer统计值的计算公式为:
,
其中,为气象参数指标x的Finkelstein-Schafer统计值,其中y为年,m为月;CDFm和CDFy,m分别为气象参数指标x各月的长期和短期的累积分布函数值;N为某月m的总天数。
5.根据权利要求2所述的一种无量测地区太阳辐射数据的生成方法,其特征在于:步骤S24中对步骤S23中各Finkelstein-Schafer统计值进行综合统计得到加权统计值WS,其中加权统计值WS的具体计算公式为:
,,
其中,WS(y,m)为FS(y,m)的加权统计值,y表示年,m表示月;WFx为气象参数指标x的权重系数;M为气象参数指标的个数。
6.根据权利要求2所述的一种无量测地区太阳辐射数据的生成方法,其特征在于:所述步骤S25中,针对各采样地区各个月份的5个候选月中选择日太阳总辐射值与其长期的平均值之间的均方根误差最小的月被选作为该月份的典型月;其中均方根误差RMSD的计算公式如下:
,
其中,RMSD为太阳总辐射的均方根误差;Hy,m,k为第y年、m月、k日的日总太阳辐射值;Hma为第m月的日太总阳辐射值长期的均值;N为第m月的总天数。
7.根据权利要求1所述的一种无量测地区太阳辐射数据的生成方法,其特征在于:所述步骤S3具体为:当各采样地区和所述太阳辐射数据无量测地区的分布相对集中且具有相似的海拔值时,采用反距离加权法或神经网络算法估计所述太阳辐射数据无量测地区12个月的月总太阳辐射值;当各采样地区和所述太阳辐射数据无量测地区的分布相对分散且具有不同数量级的海拔值时,采用神经网络算法估计无量测地区12个月的月总太阳辐射值。
8.根据权利要求7所述的一种无量测地区太阳辐射数据的生成方法,其特征在于:所述的反距离加权法的计算公式为:
,
其中,z为被估计的太阳辐射数据无量测地区的月总太阳辐射估计值;为采样地区i的典型月总太阳辐射值;为考虑经、纬度因素时的采样地区与被估计的太阳辐射数据无量测地区的距离;n为采样地区的总数;m为幂指数。
9.根据权利要求7所述的一种无量测地区太阳辐射数据的生成方法,其特征在于:所述的神经网络算法采用一个三层前向径向基函数神经网络,该网络的输入变量为经、纬度值和海拔值,输出函数为12个典型月总太阳辐射数据;所述的神经网络算法运用各采样地区的输入、输出数据得到网络隐藏层和输出层之间的连接权,由连接权以及被估计太阳辐射数据无量测地区的经、纬度值和海拔值输入变量,得到被估计太阳辐射数据无量测地区的12个月总太阳辐射数据估计值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510040173.0A CN104598743A (zh) | 2015-01-27 | 2015-01-27 | 一种无量测地区太阳辐射数据的生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510040173.0A CN104598743A (zh) | 2015-01-27 | 2015-01-27 | 一种无量测地区太阳辐射数据的生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104598743A true CN104598743A (zh) | 2015-05-06 |
Family
ID=53124522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510040173.0A Pending CN104598743A (zh) | 2015-01-27 | 2015-01-27 | 一种无量测地区太阳辐射数据的生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104598743A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330243A (zh) * | 2017-05-25 | 2017-11-07 | 国网浙江省电力公司电力科学研究院 | 一种基于典型气象年的架空输电线路载流量计算方法 |
CN107818403A (zh) * | 2017-10-10 | 2018-03-20 | 河海大学 | 基于代表性水平面辐射数据优化光伏面板安装倾角的方法 |
CN110222411A (zh) * | 2019-05-31 | 2019-09-10 | 河海大学 | 一种基于mRMR-DBN算法的无量测区太阳辐射估算方法 |
CN111611548A (zh) * | 2020-05-25 | 2020-09-01 | 合肥阳光新能源科技有限公司 | 一种光伏电站典型年等效利用时间的测算方法 |
CN115017799A (zh) * | 2022-05-13 | 2022-09-06 | 河海大学 | 基于em-dbn融合的无量测区太阳辐射估计方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073791A (zh) * | 2011-01-12 | 2011-05-25 | 东南大学 | 用于光伏电站设计的地区太阳能资源丰富程度评估系统 |
CN103455730A (zh) * | 2013-09-23 | 2013-12-18 | 东南大学 | 分布式光伏发电能力评估系统及生成太阳辐射数据的方法 |
-
2015
- 2015-01-27 CN CN201510040173.0A patent/CN104598743A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073791A (zh) * | 2011-01-12 | 2011-05-25 | 东南大学 | 用于光伏电站设计的地区太阳能资源丰富程度评估系统 |
CN103455730A (zh) * | 2013-09-23 | 2013-12-18 | 东南大学 | 分布式光伏发电能力评估系统及生成太阳辐射数据的方法 |
Non-Patent Citations (2)
Title |
---|
CHENXING YANG ET AL: "Generation of Solar Radiation Data in Unmeasurable Areas for Photovoltaic Power Station Planning", 《IEEE POWER & ENERGY SOCIETY GENERAL MEETING》 * |
HAIXIANG ZANG ET AL: "Generation of typical solar radiation data for different climates of China", 《ENERGY》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330243A (zh) * | 2017-05-25 | 2017-11-07 | 国网浙江省电力公司电力科学研究院 | 一种基于典型气象年的架空输电线路载流量计算方法 |
CN107330243B (zh) * | 2017-05-25 | 2020-07-17 | 国网浙江省电力公司电力科学研究院 | 一种基于典型气象年的架空输电线路载流量计算方法 |
CN107818403A (zh) * | 2017-10-10 | 2018-03-20 | 河海大学 | 基于代表性水平面辐射数据优化光伏面板安装倾角的方法 |
CN110222411A (zh) * | 2019-05-31 | 2019-09-10 | 河海大学 | 一种基于mRMR-DBN算法的无量测区太阳辐射估算方法 |
CN110222411B (zh) * | 2019-05-31 | 2020-04-03 | 河海大学 | 一种基于mRMR-DBN算法的无量测区太阳辐射估算方法 |
CN111611548A (zh) * | 2020-05-25 | 2020-09-01 | 合肥阳光新能源科技有限公司 | 一种光伏电站典型年等效利用时间的测算方法 |
CN111611548B (zh) * | 2020-05-25 | 2024-02-27 | 阳光新能源开发股份有限公司 | 一种光伏电站典型年等效利用时间的测算方法 |
CN115017799A (zh) * | 2022-05-13 | 2022-09-06 | 河海大学 | 基于em-dbn融合的无量测区太阳辐射估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gouda et al. | Model selection for accurate daily global solar radiation prediction in China | |
Cao et al. | Impacts of land use and land cover change on regional climate: A case study in the agro-pastoral transitional zone of China | |
Vaze et al. | Rainfall-runoff modelling across southeast Australia: datasets, models and results | |
Hassan et al. | Evaluation of energy extraction of PV systems affected by environmental factors under real outdoor conditions | |
Du et al. | Assessing the characteristics of extreme precipitation over northeast China using the multifractal detrended fluctuation analysis | |
CN104598743A (zh) | 一种无量测地区太阳辐射数据的生成方法 | |
Hassan | Climate change impact on groundwater recharge of Umm er Radhuma unconfined aquifer Western Desert, Iraq | |
Jin et al. | Estimation of daily diffuse solar radiation in China | |
Versini et al. | Climate change impact on water resources availability: case study of the Llobregat River basin (Spain) | |
Yaniktepe et al. | The global solar radiation estimation and analysis of solar energy: Case study for Osmaniye, Turkey | |
CN103116711A (zh) | 基于辐照度特征参数的天气类型辨识方法 | |
CN117390894B (zh) | 一种预测极端风暴潮位的方法 | |
CN105335560A (zh) | 光伏发电功率波动性及其自动发电控制备用需求计算方法 | |
CN105373849A (zh) | 光伏电池组件温度的分步预测方法 | |
Assi et al. | Prediction of global solar radiation in Abu Dhabi | |
CN112052559A (zh) | 一种基于月水量平衡的三参数水文模型及其构建方法 | |
Suksamosorn et al. | Post-processing of NWP forecasts using Kalman filtering with operational constraints for day-ahead solar power forecasting in Thailand | |
CN103020735B (zh) | 一种基于光响应分段特征的天尺度初级生产力估测方法 | |
Optis et al. | Offshore Wind Resource Assessment for the California Pacific Outer Continental Shelf (2020) | |
CN110059369B (zh) | 一种区域植被覆盖变化与气候因子时滞效应的分析方法 | |
Šúri et al. | Requirements and standards for bankable DNI data products in CSP projects | |
Markovic et al. | Efficiency analysis of grid-connected photovoltaic power plants | |
CN106875038B (zh) | 基于集合局地多点不同气候特征的风功率预测方法及装置 | |
Yu et al. | Generation and application of typical meteorological year data for PV system potential assessment: A case study in China | |
Cheung et al. | Spatial and temporal patterns of solar absorption by clouds in Australia as revealed by exploratory factor analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150506 |
|
RJ01 | Rejection of invention patent application after publication |